关键词： 疵棉异纤   YOLOv8   注意力机制   轻量化   目标检测  

摘要： 为解决疵棉小目标异纤检测难度高、检测实时性差等问题,本文提出一种基于轻量化YOLOv8的疵棉异纤检测算法(YOLOv8-MMW)。首先,引入MobileNetV3轻量级网络替换原骨干网络,以降低参数数量和计算复杂度,提高网络算法检测的实时性;其次,在骨干网络中加入多维协作注意力机制(MCA),增强多维特征交互能力,使模型关注疵棉小目标异纤;最后,引入动态非单调聚焦机制WIoUv3,以提高模型收敛速度和精度,提升对小目标异纤的定位能力。结果表明,改进后的YOLOv8-MMW模型精确度和平均精度均值分别为95.5%和95.8%,与原始基线模型YOLOv8相比,精确度和平均精度均值分别提升了0.9%和0.1%,模型权重减少了56.7%,帧率达到367.8帧/s。改进后的模型可以更快速、准确地识别出疵棉小目标异纤,为疵棉智能化分拣提供技术支撑。

关键词： 目标检测   军用飞机   YOLOv8   倒置瓶颈   注意力模块   特征金字塔  

摘要： 针对现有的轻量级目标检测算法在应用于遥感图像军用飞机目标检测任务所面临的模型参数大、检测速度慢的情况，提出一种基于YOLOv8n的轻量级遥感图像军用飞机目标检测算法：LeYOLO-MARs。采用了优化后的倒置瓶颈模块替换原始主干网络中的经典瓶颈模块，更换高效的骨干网络特征提取模式，在保持特征提取能力的同时，有效降低了计算需求并提升了计算速度；颈部网络中引入了快速金字塔架构网络，减少了卷积层数并提高了语义信息共享的效率，减少了锁定和等待时间，同时考虑了有限的并行化机会和架构的复杂性；使用轻量级解耦网络头，通过逐点卷积简化检测头结构；使用Inner-SIoU作为新的定位回归损失函数，提升对小目标样本的学习能力并加快回归边界框的收敛；加入了轻量级金字塔压缩注意力机制模块，有效整合局部注意力和全局注意力，以建立long-range通道依赖关系。实验结果表明，改进的算法在保证检测速度的同时取得了95.7%的检测精度，比基线模型高0.4%，模型参数缩小43%，计算量减少63%，较主流算法在检测效果上有一定的提升，能够对军用飞机目标进行高质量实时检测。

关键词： 小目标检测   自监督学习   对比学习  

摘要： 前沿的深度学习目标检测算法对小目标的检测精度显著落后于中型和大型目标。为了解决这一问题，本文将自监督学习和小目标检测任务相结合，提出了一种基于自监督的小目标检测方法。首先通过自监督对比学习算法预训练一个分类网络，再迁移到小目标检测模型中。与传统的有监督预训练相比，自监督预训练能从海量无标签数据中提取通用的特征表示，显著降低数据标注的成本，增强模型在下游任务中的泛化能力。其次，从提升模型对小目标特征提取能力的角度出发，采用基于像素级分类的对比学习方法。相较于经典的图像级对比学习而言，像素级对比更能关注到图像中的细节信息，主干网络具有更强的特征表达能力，迁移到小目标检测任务中能够取得更优秀的性能。同时，优化和改进检测网络结构，采用基于并行式更新的批量归一化层，确保输入数据的分布不会因为参数更新而产生偏移。最后，本文还探讨了基于全微调和部分微调的模型训练方法，在冻结主干网络不同层的情况下进行实验。结果表明，本文方法在小目标检测任务上的性能超越了传统的有监督预训练和经典的自监督方法，在SODA数据集上的平均检测精度分别提升了1.3%和1.6%。

关键词： 目标检测   无人机航拍图像   YOLOv8   特征提取   动态检测头  

摘要： 针对无人机航拍图像中目标对象尺寸小、特征信息模糊,易造成漏检、误检的问题,提出一种新型改进YOLOv8的无人机航拍图像目标检测方法,记作BDI-YOLO模型。首先,引入双向特征金字塔(Bidirectional Feature Pyramid Network,BiFPN)改进颈部结构,采用双向信息传递机制和自适应特征选择机制,增强模型在航拍图像中对不同尺度特征的提取能力。其次,将检测头部替换为动态检测头(Dynamic Head,Dyhead),增强模型对远景小目标的感受野,降低漏检、误检率。最后,在原有的CIoU损失函数中引入Inner-IoU,优化为Inner-CIoU损失函数,提高模型评估预测框的质量,加强精确定位能力。在VisDrone2019数据集上的实验结果表明,与YOLOv8模型相比,BDI-YOLO模型在精度mAP@50和mAP@50:95上分别提升3.8%和2.7%,召回率提升4%,运算量降低9.4%,参数量降低28.8%,能较好的适应复杂场景下的无人机航拍图像目标检测任务。

关键词： UMT   半监督   跨域目标检测   YOLOv5   VFL   伪标签处理  

摘要： 针对雾天场景下的跨域目标检测模型存在输入图像域差异显著、检测对象模糊、目标被遮挡，以及伪标签质量不高等问题，提出了一种基于无偏均值教师（Unbiased Mean Teacher，UMT）的半监督跨域目标检测模型UMT-HPLA (UMT-Harmony Pseudo Label Assigner)，该模型由非成对图像生成器，YOLOv5检测器和伪标签处理模块组成，分别从域适应、检测性能优化以及伪标签质量提升等方面进行改进。非成对图像生成器通过对比学习生成风格一致的伪图像，有效缓解域差异问题；在YOLOv5检测器中引入变焦损失（Varifocal Loss， VFL），提升对遮挡目标的鲁棒性；伪标签处理模块包括伪标签筛选器和伪标签分配器，伪标签筛选器将定位和置信度共同作为主导因素来选择样本以提供高质量的伪标签，并通过新设计的伪标签分配方法针对不同类型伪标签采用差异化损失计算策略。在公开的数据集Cityscapes和Foggy Cityscapes的实验结果表明，相比较以YOLO为检测器的UMT方法，该模型的mAP提高了3.7%，达到了58.1%。

关键词： 绝缘子   多重注意力机制   高阶特征融合   目标检测   YOLOv8  

摘要： 针对绝缘子缺陷图像目标分布较分散且特征不明显，检测精度较低等问题，提出一种基于改进YOLOv8的绝缘子缺陷图像检测算法模型(Highly Efficient Insulator and Defect Detector，HIEDet)。首先设计了一个主干特征提取网络，在特征图大的部分使用双层路由注意力机制，保持全局建模能力，在特征图小的部分使用高效梯度流多尺度注意力，通过分组和多尺度并行子网络来捕捉全局和局部的空间依赖关系，加强网络模型检测性能。然后设计了一个高阶联合特征分发机制网络，缓解了PANet结构导致的特征信息丢失问题，同时增强了模型的多尺度特征融合能力。最后，使用SIoU作为HIEDet网络的回归损失函数，帮助训练收敛过程和效果，提高模型在绝缘子缺陷图像检测任务上的检测性能。实验结果验证，改进后的HIEDet算法模型相较于YOLOv8在绝缘子缺陷数据集上mAP@50提高了2.2%，mAP提高了1.6%，表明提出的HIEDet算法模型在绝缘子及缺陷检测任务上的有效性。

关键词： 对抗样本   黑盒攻击   决策攻击   图像处理  

摘要： 深度神经网络（Deep Neural Networks， DNNs）很容易受到微小扰动生成的对抗样本的攻击，它对基于DNNs的应用构成极大威胁。基于决策的攻击是一类仅依赖目标模型预测硬标签的黑盒攻击。目前基于决策的攻击方法通常采用梯度估计在目标模型决策边界附近发动攻击，但需要高昂的查询代价。因此，该研究提出一种基于球几何性质的黑盒攻击方法，称为球攻击（Sphere-based Black-box Attack，SBA）。它利用球的空间几何性质寻找最优对抗样本点，避免了梯度估计，实现了高攻击成功率和低质量损失的对抗样本。首先，通过添加随机大噪声和线性查找得到初始对抗样本。接着，利用离散余弦变换将输入样本和对抗样本变换到频率空间并利用几何位置关系采样三维子空间。然后，将频率空间决策边界近似为超平面并利用球的几何性质迭代更新频率空间内更优的对抗样本，重复此步骤不断更新。最后，利用逆离散余弦变换将其变换回输入空间最终得到最佳对抗样本。在ImageNet数据集上的实验结果表明，SBA的攻击成功率取得了当前的最优效果，并且PSNR和SSIM结果表明，SBA生成的图像质量更佳。

关键词： 喷药机   多喷头   翻转   折叠   图像处理   Simulink仿真   喷药性能  

摘要： 农药喷洒是植保的重要环节,但传统喷药机存在喷药效率低、喷洒精度低、对农作物破坏性大、危害喷药人员身体健康等问题。为此,设计了一款多喷头拉杆翻转折叠式喷药机,其具备图像处理、全方位喷药、自动化喷药3大核心技术,克服了传统喷药技术的不足,且在喷药精度等方面优势明显。阐述了该多喷头拉杆翻转折叠式喷药机的基本结构和工作原理,并对其关键结构包括移动装置、储药装置、旋转驱动装置、喷药装置、电路与控制装置进行了结构分析与设计。利用Simulink可视化仿真工具进行了路面不平度分析、振动分析和强度校核,各项指标均符合要求。最后,为测试自动喷药机的运行情况和实际作业性能,对样机进行了喷药性能试验。通过测定喷药机的飘移潜在值,得出喷药机的喷药性能较为稳定,从而验证了该喷药装置的可行性。

关键词： 飞行器   多视图几何   计算机视觉   飞行走廊   正交投影   冲突检测  

摘要： 飞行器的航路冲突检测是避免因航路冲突导致飞行器碰撞的有效手段和关键能力。将三维碰撞检测用于飞行冲突判断，提出一种基于多视图几何的飞行器飞行走廊冲突检测方法。通过广播自动相关监视系统（Automatic Dependent Surveillance-Broadcast， ADS-B）获取航路信息、设计构建飞行器飞行走廊模型；，基于可能发生冲突区域的局部态势三视图中图形几何关系进行飞行冲突检测。仿真验证结果表明：新方法可以直观、准确地判断飞行器飞行走廊冲突情况，相较于传统的网格化离散采样法在解算冲突情况下效率提升66.35%，在解算不冲突情况下效率提升98.17%，整体效率提升84.38%。

关键词： 智能交通   抛洒风险检测   目标检测   车辆检测   跨层特征融合  

摘要： 面对货运车辆抛洒风险检测的难题，针对现有方法存在的抛洒风险关键特征提取能力不足、特征跨层融合不充分的问题，提出面向货运车辆的抛洒风险检测方法（SRVDNet）.骨干网络引入大核可选择性感受野机制，增强网络对货运车辆抛洒风险特征的学习能力.颈部网络引入聚集-分发特征融合机制，实现特征跨层融合，为检测头提供丰富的车厢类型、篷布边缘细节纹理、货物轮廓形状等信息.采用真实的高速公路货运车辆数据集，验证所提方法的效果.实验结果表明，SRVDNet表现出更优的性能，检测精度达到81.5%，与YOLOv5、 YOLOv6、YOLOv8、RT-DETR、PP-YOLOE、YOLOv9等车辆检测SOTA方法相比，mAP@0.5分别提升了3.70%、3.09%、2.86%、1.37%、1.41%、2.00%，且模型参数量相对较小，检测速度较高，有效提升了在货物装载不规则、少量货物和满载货物等场景下的抛洒风险识别能力，有助于抛洒物的源头治理，增强高速公路安全风险的识别预警能力.